一种半稠密视差图修补的深度学习半监督方法OA

目前主流的匹配方法如块匹配、半全局块匹配方法等生成的视差图为半稠密状,在一些需要稠密视差图的场景无法使用,因此必须进行修补。然而传统的修补方法视差图精度有限,无法满足高精度场景需求。针对该问题提出了一种基于深度学习半监督的修补方法,该方法以传统匹配方法为基础,利用深度学习提取特征的优势,修补了视差图中的缺失区域。实验结果表明:1)基于半监督的修补方法精度远高于传统修补方法,实验中绝对终点误差和3像素误差相比于传统修补方法分别降低了33.98%和17.83%;2)虚拟场景的训练结果迁移学习至真实场景可进一步提升修补精度,绝对终点误差和3像素误差分别降低了5.17%和12.58%,而且能够加速收敛,具有重要的实用价值。